自2011年以来,叙利亚内战愈打愈烈,流离失所的难民人数一直在以惊人的速度增长。位于约旦南部边境的鲁克班难民营就是一个令人大开眼界的例子。根据联合国的数据,在该地区搭建的难民帐篷数量有所增加从132到11702在2015年至2019年的四年时间里。

能够监测难民营的扩张对人道主义规划和资源分配非常重要。但是,当难民营变得如此庞大时,保持可靠的统计可能具有挑战性。为了支持这些努力,已经开发了几种模型来分析卫星数据,并根据探测到的帐篷数量估计难民营的人口。美国国防部高级研究计划局(darpa)最近资助的一个研究项目导致了一种新的机器学习算法,在完成任务时具有高精度和准确性。(在这种情况下,精度和准确度密切相关,但不是同义词。精度是指所有正确识别的像素的比例——有帐篷和没有帐篷;精度仅是正确识别包含帐篷的像素。这种新模型在最近的一篇论文中作了描述出版IEEE地球科学与遥感通讯

江李他是老道明大学的教授,也是这种新模型的联合开发者。该项目在2016年和2017年使用两个时间点的卫星数据进行了训练和测试。它获取卫星图像,并将其分解成任意片段,提取光谱和空间信息。过滤器有助于在像素级对数据进行分类。这种方法被称为全卷积网络(FCN)模型。

在他们的研究中,研究人员将他们的FCN模型与其他几个模型进行了比较,发现准确性略有提高,精度大幅提高。他们的模型比其他模型的准确率高4.49%,准确率最高可达41.99%。

李说:“在验证数据中,手动标签显示了775顶帐篷,我们的FCN模型发现了763顶帐篷,误差为1.55%。”“所有其他竞争模型的误差都在12.9%到510.90%之间(这意味着它们大大高估了帐篷的数量),而且精度要低得多。”

随着模型的开发,李说他的团队正在等待DARPA的指导,然后才能在现实环境中实施该工具。“我们确信,我们新模式的实际应用将要求我们与一些潜在用户建立联系,例如联合国卫星组织、国土安全部和其他政府机构。这个过程可能需要时间。”“无论如何,我们的模型是通用的,可以适用于其他应用,如洪水和飓风损害评估,城市变化检测等。”

虽然该模型确实可以适用于其他应用,但李警告说,这个过程可能是劳动密集型的。他的团队依赖于现有的标记图像数据数据库来构建帐篷感知FCN模型,但将该模型用于其他目的可能意味着手动标记相关图像的新数据集。

“数据饥渴问题目前是该应用程序的一大障碍。我们正在研究最先进的数据增强策略和主动学习方法作为替代方案,以进一步提高培训效率。”

对话(0)

为什么函数式编程应该是软件开发的未来

这很难学习,但是您的代码将产生更少令人讨厌的意外

11分钟读取
垂直
一盘用代码做成的意大利面
Shira Inbar
DarkBlue1

你期望人生中最长、最昂贵的阶段一个软件产品的周期是系统的初始开发,当所有这些伟大的功能都是第一次想象,然后创建。事实上,最难的部分出现在后面的维护阶段。这时程序员就会为他们在开发过程中走的捷径付出代价。

那么,他们为什么要走捷径呢?也许他们没有意识到自己在偷工减料。只有当他们的代码被大量用户部署和使用时,隐藏的缺陷才会暴露出来。也许开发人员太匆忙了。推向市场的时间压力几乎保证了他们的软件会包含更多的bug。

继续阅读↓ 显示更少
{“imageShortcodeIds”(“31996907”):}
Baidu